Fugu-MT 論文翻訳(概要): Blind deblurring of hyperspectral document images

論文の概要: Blind deblurring of hyperspectral document images

arxiv url: http://arxiv.org/abs/2303.05130v1
Date: Thu, 9 Mar 2023 09:31:13 GMT
ステータス: 処理完了
システム内更新日: 2023-03-10 15:26:38.817047
Title: Blind deblurring of hyperspectral document images
Title（参考訳）: ハイパースペクトル文書画像のブラインド劣化
Authors: M. Ljubenovic, P. Guzzonato, G. Franceschin, A. Traviglia
Abstract要約: マルチスペクトル(MS)とハイパースペクトル(HS)の画像は、RGB画像よりもはるかにリッチなスペクトル情報を含んでいる。文書化に適した新しいブラインドHS画像デブロアリング手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most computer vision and machine learning-based approaches for historical document analysis are tailored to grayscale or RGB images and thus, mostly exploit their spatial information. Multispectral (MS) and hyperspectral (HS) images contain, next to the spatial information, much richer spectral information than RGB images (usually spreading beyond the visible spectral range) that can facilitate more effective feature extraction, more accurate classification and recognition, and thus, improved analysis. Although utilization of rich spectral information can improve historical document analysis tremendously, there are still some potential limitations of HS imagery such as camera-induced noise and blur that require a carefully designed preprocessing step. Here, we propose novel blind HS image deblurring methods tailored to document images. We exploit a low-rank property of HS images (i.e., by projecting an HS image to a lower dimensional subspace) and utilize a text tailor image prior to performing a PSF estimation and deblurring of subspace components. The preliminary results show that the proposed approach gives good results over all spectral bands, removing successfully image artefacts introduced by blur and noise and significantly increasing the number of bands that can be used in further analysis.
Abstract（参考訳）: ほとんどのコンピュータビジョンと機械学習に基づく歴史的文書分析のアプローチは、グレイスケール画像やrgb画像に合わせたものである。マルチスペクトル(MS)およびハイパースペクトル(HS)画像は、空間情報に隣接して、より効率的な特徴抽出、より正確な分類と認識を容易にし、分析を改善することができるRGB画像(通常、可視スペクトル範囲を超えて広がる)よりもはるかにリッチなスペクトル情報を含んでいる。豊富なスペクトル情報の利用は歴史的文書解析を大幅に改善するが、カメラによるノイズやぼやきなどのhs画像には、慎重に設計された前処理ステップを必要とする潜在的な制限がある。本稿では,文書化に適した新しいブラインドHS画像デブロワー法を提案する。我々は、HS画像の低ランク特性(すなわち、低次元部分空間にHS画像を投影することで)を活用し、サブスペース成分のPSF推定および劣化を行う前にテキスト・テーラー画像を利用する。予備的な結果から,提案手法はすべてのスペクトル帯域に対して良好な結果をもたらし,ぼかしやノイズによる画像アーチファクトの除去に成功し,さらなる分析に使用できる帯域の数を著しく増やした。

関連論文リスト

HyperColorization: Propagating spatially sparse noisy spectral clues for reconstructing hyperspectral images [2.7214317850962106]
グレースケールガイド画像から高スペクトル像を再構成し,空間的に粗いスペクトル手がかりを抽出するカラー化を提案する。提案アルゴリズムは,高スペクトル画像の様々なスペクトル次元に一般化し,低ランク空間における色付けが計算時間とショットノイズの影響を低減させることを示す。
論文参考訳（メタデータ） (2024-03-18T16:33:43Z)
A Survey of Graph and Attention Based Hyperspectral Image Classification Methods for Remote Sensing Data [5.1901440366375855]
ハイパースペクトルイメージング(HSI)の分類におけるディープラーニング技術の利用は急速に増加している。最近の手法では、グラフ畳み込みネットワークの利用と、予測にノード機能を使用するユニークな機能についても検討されている。
論文参考訳（メタデータ） (2023-10-16T00:42:25Z)
Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
論文参考訳（メタデータ） (2023-06-14T09:01:50Z)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文参考訳（メタデータ） (2022-04-21T01:32:22Z)
Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB Images in the Wild [48.44194221801609]
この課題に対処するため、我々は、新しい軽量でエンドツーエンドの学習ベースのフレームワークを提案する。我々は、効率的なカメラスペクトル応答関数推定により、検索されたHS画像から入力されたRGB画像と再投影されたRGB画像の差を徐々に広げる。提案手法は最先端の教師なし手法よりも優れており,いくつかの設定下では最新の教師付き手法よりも優れている。
論文参考訳（メタデータ） (2021-08-15T05:19:44Z)
Hyperspectral Pansharpening Based on Improved Deep Image Prior and Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文参考訳（メタデータ） (2021-07-06T14:11:03Z)
Learnable Reconstruction Methods from RGB Images to Hyperspectral Imaging: A Survey [27.235897806207706]
より安価なRGB画像から高スペクトル情報を直接再構成することで、多くの代替分光イメージング法が提案されている。広帯域RGB画像から最新のスペクトル再構成手法を徹底的に検討する。データ駆動深層学習法の多くは, 速度が低いにもかかわらず, 復元精度と品質の点で, 従来の手法よりも優れている。
論文参考訳（メタデータ） (2021-06-30T09:52:41Z)
Learning to Enhance Visual Quality via Hyperspectral Domain Mapping [8.365634649800658]
SpecNetはスペクトルプロファイルを計算し、所定の画像の画素単位のダイナミックレンジ調整を推定する。我々は、RGB画像から可視HSIを推測するために、自己スーパービジョンとスペクトルプロファイル正規化ネットワークを組み込んだ。
論文参考訳（メタデータ） (2021-02-10T13:27:34Z)
Spectral Superresolution of Multispectral Imagery with Joint Sparse and Low-Rank Learning [29.834065415830764]
MS画像のスペクトル超解像 (SSR) は, 逆画像における高視差のため, 困難であり, あまり研究されていない。重なり合う領域から低ランクのHS-MS辞書ペアを共同学習することにより,MS画像のスペクトル化を図る,ジョイントスパースとローランク学習(J-SLoL)と呼ばれるシンプルで効果的な手法を開発した。
論文参考訳（メタデータ） (2020-07-28T06:08:44Z)
Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文参考訳（メタデータ） (2020-05-18T14:25:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。